مقاله مکان‌یابی در سیستم‌های آنتن توزیع‌شده پسیو OFDM با استفاده از پایلوت‌ها و داده‌های نامعلوم: رویکرد حداکثر درست‌نمایی حاشیه‌ای

سنسینگ و ارتباطات یکپارچه (ISAC) به عنوان یک پارادایم کلیدی برای شبکه‌های نسل ششم (6G) آینده ظهور کرده است، که در آن طرح‌های ارتباطی-محور به دلیل سازگاری با استانداردهای موجود مورد توجه قرار می‌گیرند. سیگنال‌های ارتباطی شامل نمادهای پایلوت شناخته شده قطعی و محموله‌های داده تصادفی ناشناخته هستند. اکثر رویکردهای مکان‌یابی صرفاً به پایلوت‌ها متکی هستند و اطلاعات موقعیت موجود در نمادهای داده را که بخش عمده‌ای از هر فریم ارسالی را تشکیل می‌دهند، نادیده می‌گیرند. از سوی دیگر، رویکردهای هدایت‌شده توسط تصمیم (DD) از تصمیمات داده بهره می‌برند، که به طور ذاتی عملکرد مکان‌یابی را به عملکرد سیستم ارتباطی محدود می‌کنند. در این مقاله، ما یک تخمین‌گر حداکثر درستنمایی حاشیه‌ای (MML) را استخراج می‌کنیم که به طور مشترک از پایلوت‌ها و محموله‌های داده بدون نیاز به رمزگشایی داده استفاده می‌کند و امکان عملکرد با صورت‌بندی‌های مرتبه بالا و در شرایط نویز چالش‌برانگیز را فراهم می‌آورد. ما سناریوی فرصت‌طلبانه‌ای را در نظر می‌گیریم که در آن یک سیگنال تقسیم فرکانسی متعامد (OFDM) که توسط یک تجهیز کاربر (UE) ارسال می‌شود، توسط یک آرایه گیرنده توزیع‌شده دریافت می‌گردد. از طریق شبیه‌سازی‌های عددی، نشان می‌دهیم که روش پیشنهادی عملکرد مکان‌یابی برتری نسبت به رویکردهای موجود دارد و به طور مداوم در نسبت سیگنال به نویز (SNR) پایین‌تر از هر روش DD به حد جن (جایی که فرض می‌شود نمادهای داده کاملاً شناخته شده‌اند) همگرا می‌شود. علاوه بر این، روش پیشنهادی برخلاف رویکردهای DD که عملکردشان با افزایش مرتبه مدولاسیون کاهش می‌یابد، در برابر اندازه صورت‌بندی مقاوم باقی می‌ماند. در نهایت، ما تحلیل پیچیدگی محاسباتی روش پیشنهادی و خطوط پایه در نظر گرفته شده را ارائه می‌دهیم و تأثیر پارامترهای سیستم را بر هزینه‌های محاسباتی مربوطه برجسته می‌کنیم.

Integrated Sensing and Communications (ISAC) is emerging as a key paradigm for future Sixth-Generation (6G) networks, with communication-centric designs favored for their compatibility with existing standards. Communication signals contain both known deterministic pilot symbols and unknown random data payloads. Most localization approaches rely solely on pilots, discarding the position information contained in the data symbols, which constitute the majority of each transmitted frame. Alternatively, Decision-Directed (DD) approaches exploit data decisions, thereby inherently limiting positioning performance to that of the communication system. In this paper, we derive a Marginal Maximum Likelihood (MML) estimator that jointly leverages pilot and data payloads without requiring data decoding, enabling operation with high-order constellations and under challenging noise conditions. We consider an opportunistic scenario in which an Orthogonal Frequency-Division Multiplexing (OFDM) signal transmitted by a User Equipment (UE) is captured by a distributed receiver array. Through numerical simulations, we demonstrate that the proposed method achieves superior localization performance compared to existing approaches and consistently converges to the genie bound (where data symbols are assumed perfectly known) at a lower Signal-to-Noise Ratio (SNR) than any DD method. Furthermore, the proposed method remains robust to constellation size, unlike DD approaches, whose performance degrades with increasing modulation order. Finally, we provide a computational complexity analysis of the proposed method and the considered baselines, highlighting the impact of system parameters on their respective computational costs.